Update README.md
｜展示方法的流程特点或者主要结果等
| 简单介绍项目背景、项目特点
本项目包含了第三届计图挑战赛热身赛 - 生成特定数字的图像的代码实现。本项目的特点是：采用了 Conditional GAN 方法对随机向量 z 和额外的辅助信息 y 处理，取得了数据指标0.9772的效果。
| 介绍基本的硬件需求、运行环境、依赖安装方法
本项目可在 1 张 3080 上运行，训练时间约为 1 小时。
执行以下命令安装 python 依赖
pip install -r requirements.txt
没有使用预训练模型。
| 介绍数据预处理方法
将数据下载解压到 <root>/data 下，执行以下命令对数据预处理：
<root>/data
bash scripts/prepross.sh
｜ 介绍模型训练的方法
单卡训练可运行以下命令：
bash scripts/train.sh
多卡训练可以运行以下命令：
bash scripts/train-multigpu.sh
｜ 介绍模型推理、测试、或者评估的方法
生成测试集上的结果可以运行以下命令：
bash scripts/test.sh
| 对参考的论文、开源库予以致谢
此项目基于论文 Conditional Generative Adversarial Nets 实现，部分代码参考了 jittor-gan。
点击项目的“设置”，在Description一栏中添加项目描述，需要包含“jittor”字样。同时在Topics中需要添加jittor。
智能人工小队在计图(Jittor)人工智能挑战赛热身赛中的成果
jittor-IntelligentArtificialTeam-WarmUp
Jittor 生成特定数字的图像比赛 Conditional GAN
｜展示方法的流程特点或者主要结果等
简介
| 简单介绍项目背景、项目特点
本项目包含了第三届计图挑战赛热身赛 - 生成特定数字的图像的代码实现。本项目的特点是：采用了 Conditional GAN 方法对随机向量 z 和额外的辅助信息 y 处理，取得了数据指标0.9772的效果。
安装
| 介绍基本的硬件需求、运行环境、依赖安装方法
本项目可在 1 张 3080 上运行，训练时间约为 1 小时。
运行环境
安装依赖
执行以下命令安装 python 依赖
预训练模型
没有使用预训练模型。
数据预处理
| 介绍数据预处理方法
将数据下载解压到
<root>/data下，执行以下命令对数据预处理：训练
｜ 介绍模型训练的方法
单卡训练可运行以下命令：
多卡训练可以运行以下命令：
推理
｜ 介绍模型推理、测试、或者评估的方法
生成测试集上的结果可以运行以下命令：
致谢
| 对参考的论文、开源库予以致谢
此项目基于论文 Conditional Generative Adversarial Nets 实现，部分代码参考了 jittor-gan。
注意事项
点击项目的“设置”，在Description一栏中添加项目描述，需要包含“jittor”字样。同时在Topics中需要添加jittor。